Anselmo Peñas sostén que a innovación dixital baseada na IA reporta beneficios para unha PYME, achegándolle autonomía, resiliencia e automatización

O catedrático da UNED ofreceu a cuarta sesión do Seminario de IA organizado pola Universidade en Ourense para falar sobre a colaboración científica desta institución académica coas empresas

OURENSE, 18 de decembro de 2020.- As experiencias de transferencia de técnicas de Intelixencia Artificial á empresa é o tema tratado por Anselmo Peñas, catedrático de Universidade, do Grupo de Procesamento da Linguaxe Natural na ETSI Informática da UNED, dentro do seminario de IA que organiza en Ourense nosa Universidade co apoio económico do Vicerreitorado de Investigación e Transferencia do Coñecemento. Este seminario se emite desde o Centro de Intelixencia Artificial de Ourense.

Peñas referiuse á innovación na empresa co dilema da innovación nas PEMES, se comprar a innovación ou desenvolvela, ou se hai demasiadas barreiras, incerteza ou demasiado risco. “E o risco de non facelo? Podemos facelo de maneira natural, gradual, sen apenas risco, pero sós non, con amigos si”, sinalou o relator. Destacou o catedrático da UNED que en transferencia de resultados en IA está a transferencia de coñecemento e resultados de investigación, un dos obxectivos fundamentais do Centro IA de Ourense, e desde este así como desde as Universidades adscritas promóvese a transformación dixital das empresas, o acceso a fontes de financiamento públicas e privadas, a recepción de investimentos sen esquecer que a IA é innovación e é transformación dixital. 

Declarou Anselmo Peñas que a innovación dixital baseada en IA reporta beneficios para unha PEME, achegándolle autonomía e resiliencia así como automatización, conlevando redución de custos nos procesos da empresa, capacidade de toma de decisións a partir de grandes volumes de datos; transformación dixital dos modelos de negocio, venda da innovación a terceiros con procesos similares aínda que sexan sectores económicos diferentes; desenvolvemento e venda de novos produtos con compoñente dixital no mesmo sector económico. “Un camiño cara á transformación dixital da empresa inclúe arrincar un novo departamento de innovación de maneira gradual, solucións á propia empresa, venda de solucións propias a terceiros; desenvolvemento de novo produto. Arrincar un novo departamento de innovación na empresa? Estamos tolos? Polo menos un técnico a tempo parcial, depositario do novo know- how, apoio administrativo e dirección involucrada na selección de casos de uso e posibles proxectos. Pero con que recursos? Con que garantías?” pregúntase o doutor Penas. En canto ao acceso ao financiamento público e privado sinalou:

• Acceso a axudas (e.g. CDTI): 

                     fondo perdido (20% do orzamento do proxecto) 

                     préstamos a moi baixo interese con varios anos de carencia (>60% do orzamento do proxecto)

•  Obtención do selo PEME Innovador
•  Deducións por investigación
•  Redución de cotización de persoal investigador
•  Acceso a financiamento Europeo mediante proxectos coordinados
•  Espiral, unha empresa innovadora ten cada vez máis acceso a axudas de innovación Proxectos de transferencia de coñecemento en IA Transversal, é só unha ferramenta Aplicable a calquera sector económico É innovación É transformación dixital

Ao falar de captación de fondos europeos dirixidos á transformación dixital das empresas dixo Anselmo Peñas que “é o momento de ir preparando propostas. Vale, pero como nos aseguramos o éxito?”. En canto ao plan de transferencia de resultados e coñecemento, o relator mencionou as seguintes accións: 

1. Atopar os casos de uso concretos de aplicación da tecnoloxía aos procesos ou produtos da empresa
2.  Redacción do proxecto
3.  Procura e solicitude de axudas públicas e privadas
4.  Desenvolvemento do proxecto 

Transferencia de coñecemento

 Xeración de resultados

 Memoria de investigación

1.  Xustificación de axúdalas
2.  Acceso a selo PEME innovadora Acceso a deducións fiscais e redución de cotizacións
3.  Repetimos

No ecosistema de transferencia e innovación destaca por unha banda a empresa coas súas necesidades, obxectivos, oportunidades, modelo de negocio, … e datos! E por outra banda, a Universidade, coa identificación de casos de uso, plan de investigación, selección de técnicas, métodos e ferramentas, experimentación sistemática, transferencia de coñecemento, prototipado, informes de investigación, xustificación do investimento en I+D. Tamén está a Consultoría, para a selección de axudas existentes, papelada, redacción e adaptación da proposta (solicitude) a unha determinada convocatoria, como xustificar o uso da axuda recibida, emisión de certificacións e informes motivados, etc. E a Auditoría, para velar para que non haxa problemas con Facenda e coa TGSS.

Colaboración Universidade-Empresa 

No que se refire á colaboración Universidade – Empresa, Anselmo Peñas relatou que gaña a empresa porque se desenvolve a investigación con metodoloxía adecuada: obxectivos, preguntas de investigación, plan de traballo, experimentación, análise de resultados, emisión de conclusións, etc. “Non é o mesmo desenvolver produto que investigar”, advirte o relator. Tal colaboración permite, ademais, acreditar a investigación #ante o organismo que financia o proxecto, transferencia de coñecemento, non de servizos, non de produtos. “A Universidade é a única entidade que realiza este labor. Ninguén vende o seu propio know- how e a empresa mantén e gaña autonomía coa incorporación gradual de know- how. Tamén gaña a Universidade pois aparecen novos casos de uso, novas aprendizaxes, novo coñecemento, etc. E a fonte de financiamento. Hai vías para formalizar esa colaboración Universidade – Empresa: a través da Oficina de Transferencia da Universidade ( OTRI), mediante a modalidade de contrato ao amparo do artigo 83 da LOU. “A Universidade realiza a xestión económica e un profesor da Universidade responsabilízase como Investigador Principal. Este firma o contrato en nome da Universidade co visto e prace do seu departamento, selecciona os colaboradores adecuados e decide contratacións de persoal externo se é necesario; supervisa o desenvolvemento do proxecto e executa o orzamento.

A colaboración Universidade-Empresa ten unhas fases:

1. Atopar posibles casos concretos de aplicación tecnolóxica

•  A empresa sabe o que quere e sabe que é posible
•  A empresa sabe o que quere pero non sabe se é posible
•  A empresa intúe oportunidade pero non sabe que exactamente

     2. Valoración de alternativas e a súa viabilidade

•  Primeiro aprendizaxe: o valor dos datos, xestión de datos, monitoraxe de procesos, etc.

     3. Redacción do plan de investigación (formará parte da solicitude de axudas)

     4. Desenvolvemento do proxecto

     5. Transferencia de coñecemento

     6. Memoria de investigación (formará parte da xustificación das axudas recibidas)

 Para acreditar investigación

•  Axudas á investigación, non ao desenvolvemento
• En ocasións esixen a subcontratación dunha Universidade ou centro de investigación que a garanta e acredite

• Desenvolvemento versus desenvolvemento guiado por investigación

• A investigación ten unha metodoloxía

• Porque debe responder preguntas: establecer obxectivos, seleccionar as preguntas relevantes que determinarán a viabilidade e as mellores opcións de desenvolvemento

• Experimentación sistemática

• Avaliación

• Análise das resultados
• Conclusións

En canto aos proxectos de transferencia en IA indica o relator que aínda que existen moitas áreas diferentes de aplicación, a maioría das técnicas son comúns pois máis dun 80% dos proxectos de transferencia en IA baséanse en aplicación de técnicas de Aprendizaxe Automática Supervisada, é dicir, que a partir de exemplos de resposta para unha serie de casos, os computadores aprenden a predicir a resposta cara novos casos, clasifican, etiquetan, seleccionan, descartan, predín valores numéricos, etc. 

Anselmo Peñas falou de tres exemplos concretos de colaboración de empresas coa UNED no ámbito de IA. O primeiro versa sobre Optimización da oferta de tarifas hostaleiras a meta-buscadores. A xustificación e alcance do proxecto baséase en que os usuarios utilizan meta-buscadores para seleccionar un hotel e os meta-buscadores cobran aos provedores por cada click (nunha especie de poxa con prezos variables).

Obxectivos do proxecto: 

Optimizar a interacción co meta-buscador

 Predicir o custo dunha oferta (clicks)

 Predicir a categoría de hotel que satisfai a procura dun usuario

 Predicir se o usuario completará a transacción 

Metodoloxía 

Determinar que técnicas de Aprendizaxe Automática

Recoller unha colección significativa de datos para adestrar e avaliar 

Recoñecer a importancia dos datos, cambiar os procesos da empresa

Caracterizar as consultas para poder realizar a predición

Determinar os criterios para medir a mellora

Implementar un prototipo para avaliar que métodos e técnicas dan mellores resultados

Avaliar o prototipo nunha contorna real de explotación e decidir a súa futura posta en produción

O segundo exemplo é sobre Detección automatizada de contas falsas en redes sociais. Trátase dunha plataforma que facilita a PEMES xestionar as súas redes sociais e márketing on- line. Con todo, existen contas falsas automatizadas que distorsionan a rede do cliente. O obxectivo é detectar contas falsas na rede social do cliente. Iso, a curto prazo permitiría ter un perfil das contas e coñecer o efecto real dunha campaña, filtrar fontes non cribles de información e identificar os destinatarios de verdadeiro interese. A medio prazo permite novos produtos para avaliar a confianza dunha conta e da información que difunde. E a longo prazo permite o desenvolvemento de novos produtos que neutralizasen información falsa ou tóxica que se pretende difundir a través da rede social do cliente. Subliñou o catedrático da UNED que investigar é responder preguntas que guíen o desenvolvemento: 

• De que maneira pódese representar a información asociada a unha conta de maneira que un algoritmo de aprendizaxe automática poida identificar contas falsas? 
• Existe unha correlación entre os datos de comportamento dunha conta con respecto á súa identificación como conta falsa?
•  Que algoritmos de aprendizaxe automática móstranse máis eficaces neste dominio de aplicación?
•  Con que fiabilidade pódese realizar esta clasificación de maneira automatizada?
•  É necesario capturar novos datos agregados a partir doutras contas que permitan realizar a clasificación dunha conta?
•  Cal é a diferenza na efectividade do clasificador ao considerar este tipo de información agregada?
•  Cal é a combinación entre representación e algoritmo máis efectiva para a tarefa?

 Logo vén o Plan de Investigación co que determinar as características individuais que permitan representar o perfil dunha conta; determinar as métricas para avaliar a efectividade das distintas aproximacións; construír coleccións de datos anotados que permitan adestrar e avaliar diferentes algoritmos; determinar a correlación entre cada un dos datos de caracterización e o valor para predicir, avaliar distintos algoritmos de aprendizaxe automática e, finalmente, comparar resultados e emitir conclusións.

O terceiro caso de colaboración Universidade-Empresa relaciónase coa Interpretación automatizada da linguaxe natural para operar con modelos de información en construción . 

Solucións para poder utilizar modelos BIM na execución dunha obra

• Modelos BIM utilizan unha nomenclatura controlada
• Diferente aos operarios da obra 

Obxectivo: traducir a linguaxe dos operarios á representación formal do BIM. A interpretación da linguaxe é unha tarefa complexa. Considerar dous tipos de entrada: a linguaxe explícita utilizada polo operario (e. g., “reformular azulexos”) e o contexto ou situación comunicativa (implícita): perfil do operario (e. g. nomenclatura dirección facultativa vs. un oficio concreto); gremio (mesmas palabras, significados diferentes dependendo do oficio); fase (cada fase da obra involucra a distintos gremios, tarefas, materiais, etc. Lugar (os operarios refírense aos elementos da obra nun espazo acoutado). Neste caso as preguntas de Investigación son:

• Que elementos contextuais son determinantes á hora de interpretar correctamente a necesidade dun operario?
• Como se poden representar estes elementos contextuais para ser utilizados no proceso de interpretación da linguaxe?

• É posible crear medidas de proximidade conceptual entre os elementos do modelo BIM?

• Serían útiles estas medidas para asegurar a consistencia da interpretación?

• De que maneira pódese automatizar a construción de dicionarios de tradución entre expresións de linguaxe natural e nomenclaturas BIM?

• Que aproximacións proporcionan un mellor balance entre escalabilidade e precisión na interpretación?

• Que métodos móstranse máis eficaces?

Plan de Investigación

Modelar os elementos contextuais que interveñen na comunicación dos operarios co sistema. Determinar a representación destes elementos para que poidan ser utilizados na interpretación da linguaxe.De acordo co modelo anterior, trátase de crear coleccións de datos para o adestramento e a avaliación de diferentes algoritmos. De seleccionar as métricas adecuadas para avaliar as distintas aproximacións. Determinar de que maneira pódese automatizar a creación de dicionarios que relacionen o vocabulario dos operarios coa nomenclatura utilizada nos modelos BIM. Estudar de que maneiras poderían representarse os modelos BIM para mellorar a interpretación da linguaxe. Probar diferentes, representacións, dicionarios, métodos e técnicas para traducir a linguaxe do operario ao modelo BIM e comparar resultados e emitir conclusións finais. 

Esquema común

•  Comprender alcance do proxecto (desenvolvemento) global e modelo de negocio da empresa
•  Definición de obxectivos e preguntas a responder polo subproyecto de investigación
•  Modelado e representación dos datos
•  Creación de coleccións de datos para adestramento e avaliación
•  Selección de criterios e métricas de avaliación
•  Desenvolvo de prototipos Experimentación
•  Avaliación e análise de resultados
•  Conclusións e memoria de investigación 

Para seguir en diferido o relatorio, premar aquí.

UNED Ourense

Comunicación